一种故障检测模型轻量化的方法、系统、设备及存储介质与流程

1.本发明涉及模型压缩领域，特别是涉及一种故障检测模型轻量化的方法、系统、设备及存储介质。


背景技术：

2.随着越来越多的传感器被应用与电力设备的故障检测，神经网络模型以其对数据处理的智能化和高效化的特点，被越来越多的用于处理上述传感器传输的海量检测数据。
3.但是，由于传感器上传数据的数量及复杂度的增加，使得现有对于电力设备故障检测的模型的结构和运算复杂程度也随之增加，这直接导致现有模型对部署平台硬件的需求增高，限制了现有模型在低配置平台的部署和应用。因此，如何在保证运算准确的前提下，降低神经网络的复杂程度，已成为相关领域技术人员亟待结局的问题。


技术实现要素：

4.本发明实施例的目的在于提供一种故障检测模型轻量化的方法、系统、设备及存储介质，以实现在保证运算准确的前提下，降低神经网络模型的结构复杂程度。具体技术方案如下：
5.一种故障检测模型轻量化的方法，所述方法包括：
6.利用预设训练集和预设测试集对第一电力设备故障检测模型进行训练，获得第二电力设备故障检测模型，其中，所述预设训练集和所述预设测试集包括：电力设备终端采集的监测数据和对应故障类型，所述第一电力设备故障检测模型为基于resnet的机器学习模型。
7.利用轻量化网络结构对所述第二电力设备故障检测模型的基础网络结构进行替换，获得第三电力设备故障检测模型。
8.将所述第三电力设备故障检测模型输入到预设压缩微调算法中，以使所述预设压缩微调算法对所述第三电力设备故障检测模型进行压缩微调，获得第四电力设备故障检测模型，其中，所述预设压缩微调算法包括：预设剪枝算法和预设知识蒸馏算法。
9.将所述第四电力设备故障检测模型输入到预设优化引擎中，以使所述预设优化引擎对所述第四电力设备故障检测模型进行优化，获得轻量化的电力设备故障检测模型。
10.可选的，所述利用轻量化网络结构对所述第二电力设备故障检测模型的基础网络结构进行替换，获得第三电力设备故障检测模型，具体包括：
11.利用所述轻量化网络结构，对所述基础网络结构中的卷积核进行替换，并减少所述卷积核中的第一数量个通道数，获得经过处理的所述第三电力设备故障检测模型。
12.可选的，所述将所述第三电力设备故障检测模型输入到预设压缩微调算法中，以使所述预设压缩微调算法对所述第三电力设备故障检测模型进行压缩微调，获得第四电力设备故障检测模型，包括：
13.利用所述预设剪枝算法对所述第三电力设备故障检测模型进行压缩，获得经过压
缩的第五电力设备故障检测模型。
14.利用所述预设知识蒸馏算法对所述第五电力设备故障检测模型进行微调，获得所述第四电力设备故障检测模型。
15.可选的，所述利用所述预设剪枝算法对所述第三电力设备故障检测模型进行压缩，获得经过压缩的第五电力设备故障检测模型，具体包括：
16.利用所述预设剪枝算法，通过限定搜索空间和设置奖励函数，对所述第三电力设备故障检测模型在预设裁剪范围和预设精度损失范围内满足预设推理时延的裁剪方案进行搜索，待所述搜索经过第二数量次迭代后，所述搜索的结果满足第一预设条件时，将所述满足第一预设条件的所述搜索的结果对应的所述裁剪方案，确定为最终的所述裁剪方案，其中，所述奖励函数用于限定所述预设精度损失范围和所述预设推理时延。
17.根据所述裁剪方案获得所述第三电力设备故障检测模型的模型掩模，利用所述剪枝算法删除所述模型掩模中置零的通道层，并通过计算所述第三电力设备故障检测模型的每个卷积层中非零的输入通道数和输出通道数，对所述第三电力设备故障检测模型进行形状推断，获得所述第三电力设备故障检测模型中需要替换的卷积层，利用所述预设剪枝算法通过重写所述卷积层的结构完成对所述卷积层的替换，获得所述经过压缩的第五电力设备故障检测模型。
18.可选的，所述利用所述预设知识蒸馏算法对所述第五电力设备故障检测模型进行微调，获得所述第四电力设备故障检测模型，具体包括：
19.将教师模型和学生模型输入到预设知识蒸馏算法中，以使所述预设知识蒸馏算法提取所述教师模型和所述学生模型在输出层上的距离作为损失函数，所述预设知识蒸馏算法根据所述损失函数，将所述教师模型的特征迁移到所述学生模型上，获得经过所述微调的第四电力设备故障检测模型，其中，所述教师模型是所述第二电力设备故障检测模型，所述学生模型是所述第五电力设备故障检测模型。
20.可选的，所述将所述第四电力设备故障检测模型输入到预设优化引擎中，以使所述预设优化引擎对所述第四电力设备故障检测模型进行优化，获得轻量化的电力设备故障检测模型，包括：
21.利用所述预设优化引擎，对所述第四电力设备故障检测模型进行模型量化、动态内存优化和层融合，获得所述轻量化的电力设备故障检测模型，其中，所述模型量化是指，利用所述预设优化引擎对所述第四电力设备故障检测模型中的网络参数由第一类型转换为第二类型，所述动态内存优化是指，利用所述预设优化引擎在所述第四电力设备故障检测模型运行时申请一个内存，并控制所述第四电力设备故障检测模型重复利用所述内存，所述层融合是指，利用所述预设优化引擎将所述第四电力设备故障检测模型中的卷积操作、偏置操作和激活函数进行融合，并调用一个卷积核处理所述融合后的操作。
22.一种故障检测模型轻量化的系统，所述系统包括：
23.模型训练模块，通过利用预设训练集和预设测试集对第一电力设备故障检测模型进行训练，获得第二电力设备故障检测模型，其中，所述预设训练集所述和预设测试集包括：电力设备终端采集的监测数据和对应故障类型，所述第一电力设备故障检测模型为基于resnet的机器学习模型。
24.结构替换模块，通过利用轻量化网络结构对所述第二电力设备故障检测模型的基
础网络结构进行替换，获得第三电力设备故障检测模型。
25.压缩微调模块，用于将所述第三电力设备故障检测模型输入到预设压缩微调算法中，以使所述预设压缩微调算法对所述第三电力设备故障检测模型进行压缩微调，获得第四电力设备故障检测模型，其中，所述预设压缩微调算法包括：预设剪枝算法和预设知识蒸馏算法。
26.模型优化模块，用于将所述第四电力设备故障检测模型输入到预设优化引擎中，以使所述预设优化引擎对所述第四电力设备故障检测模型进行优化，获得轻量化的电力设备故障检测模型。
27.可选的，所述结构替换模块被配置为：
28.利用所述轻量化网络结构，对所述基础网络结构中的卷积核进行替换，并减少所述卷积核中的第一数量个通道数，获得经过处理的所述第三电力设备故障检测模型。
29.可选的，所述压缩微调模块包括：
30.压缩子模块，利用所述预设剪枝算法对所述第三电力设备故障检测模型进行压缩，获得经过压缩的第五电力设备故障检测模型。
31.微调子模块，利用所述预设知识蒸馏算法对所述第五电力设备故障检测模型进行微调，获得所述第四电力设备故障检测模型。
32.可选的，所述压缩子模块被配置为：
33.利用所述预设剪枝算法，通过限定搜索空间和设置奖励函数，对所述第三电力设备故障检测模型在预设裁剪范围和预设精度损失范围内满足预设推理时延的裁剪方案进行搜索，待所述搜索经过第二数量次迭代后，所述搜索的结果满足第一预设条件时，将所述满足第一预设条件的所述搜索的结果对应的所述裁剪方案，确定为最终的所述裁剪方案，其中，所述奖励函数用于限定所述预设精度损失范围和所述预设推理时延。
34.根据所述裁剪方案获得所述第三电力设备故障检测模型的模型掩模，利用所述剪枝算法删除所述模型掩模中置零的通道层，并通过计算所述第三电力设备故障检测模型的每个卷积层中非零的输入通道数和输出通道数，对所述第三电力设备故障检测模型进行形状推断，获得所述第三电力设备故障检测模型中需要替换的卷积层，利用所述预设剪枝算法通过重写所述卷积层的结构完成对所述卷积层的替换，获得所述经过压缩的第五电力设备故障检测模型。
35.可选的，所述微调子模块被配置为：
36.将教师模型和学生模型输入到预设知识蒸馏算法中，以使所述预设知识蒸馏算法提取所述教师模型和所述学生模型在输出层上的距离作为损失函数，所述预设知识蒸馏算法根据所述损失函数，将所述教师模型的特征迁移到所述学生模型上，获得经过所述微调的第四电力设备故障检测模型，其中，所述教师模型是所述第二电力设备故障检测模型，所述学生模型是所述第五电力设备故障检测模型。
37.可选的，所述模型优化模块被配置为：
38.利用所述预设优化引擎，对所述第四电力设备故障检测模型进行模型量化、动态内存优化和层融合，获得所述轻量化的电力设备故障检测模型，其中，所述模型量化是指，利用所述预设优化引擎对所述第四电力设备故障检测模型中的网络参数由第一类型转换为第二类型，所述动态内存优化是指，利用所述预设优化引擎在所述第四电力设备故障检
测模型运行时申请一个内存，并控制所述第四电力设备故障检测模型重复利用所述内存，所述层融合是指，利用所述预设优化引擎将所述第四电力设备故障检测模型中的卷积操作、偏置操作和激活函数进行融合，并调用一个卷积核处理所述融合后的操作。
39.一种故障检测模型轻量化的设备，包括：
40.处理器；
41.用于存储所述处理器可执行指令的存储器。
42.其中所述处理器被配置为执行所述指令，以实现如上述任一项所述的故障检测模型轻量化的方法。
43.一种计算机可读存储介质，当所述计算机可读存储介质中的指令由所述设备的所述处理器执行时，使得所述设备能够执行如上述任一项所述的故障检测模型轻量化的方法。
44.本发明实施例提供的一种故障检测模型轻量化的方法、系统、设备及存储介质，通过预设训练集和预设测试集对第一电力设备故障检测模型进行训练，获得第二电力设备故障检测模型，使得在对上述电力故障检测模型进行轻量化操作时，可以基于一个能输出准确结果的模型进行轻量化处理，从根源上保证了经过轻量化处理后的模型仍能保持输出结果的准确度。同时，本发明采用轻量化网络结构对现有模型的基础网络结构进行替换，从而降低了神经网络模型的参数运算量和结构复杂度。本发明还利用预设压缩微调算法进一步对经过轻量化处理的神经网络进行结构精简，并在保证输出结果准确度的前提下，利用预设优化引擎提升神经网络的计算速度。可见，本发明实现了在保证神经网络模型输出结果准确度的前提下，降低神经网络模型的结构复杂程度。
45.当然，实施本发明的任一产品或方法必不一定需要同时达到以上所述的所有优点。
附图说明
46.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
47.图1为本发明实施例提供的一种故障检测模型轻量化的方法的流程图；
48.图2为本发明实施例提供的一种故障检测模型轻量化的系统的框图；
49.图3为本发明实施例提供的一种故障检测模型轻量化的设备的框图。
具体实施方式
50.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
51.本发明实施例提供了一种故障检测模型轻量化的方法，如图1所示，包括：
52.s101、利用预设训练集和预设测试集对第一电力设备故障检测模型进行训练，获
得第二电力设备故障检测模型，其中，预设训练集和预设测试集包括：电力设备终端采集的监测数据和对应故障类型，第一电力设备故障检测模型为基于resnet的机器学习模型。
53.其中，上述电力设备终端包括但不限于：高清摄像头、监控传感器和智能监控机器人等。上述监测数据包括但不限于：图像数据和设备参数等。
54.可选的，在本发明一个可选实施例中，上述第一电力设备故障检测模型采用基于resnet的电力设备故障检测任务的卷积神经网络，该卷积神经网络包括一个独立卷积层和四个不同类型的卷积残差块组成，每个卷积残差块由三个卷积层和全连接层。
55.本发明利用预设训练集和预设测试集对第一电力设备故障检测模型进行训练，获得第二电力设备故障检测模型，使得在对上述电力故障检测模型进行轻量化操作时，可以基于一个能输出准确结果的模型进行轻量化处理，从根源上保证了经过轻量化处理后的模型仍能保持输出结果的准确度。
56.s102、利用轻量化网络结构对第二电力设备故障检测模型的基础网络结构进行替换，获得第三电力设备故障检测模型。
57.其中，上述轻量化网络结构包括但不限于：基于移动嵌入式视觉应用的高效模型(mobilenets)、轻量级神经网络(shufflenets)和卷积核拆分网络(inception)。
58.可选的，在本发明其他可选实施例中，上述轻量化网络结构相较于上述基础网络结构，具有网络结构简单，卷积核数量少和通道数少的特点。
59.本发明通过利用轻量化网络结构对上述第二电力设备故障检测模型中的基础网络结构进行替换，从而获得相较于上述第二电力设备故障检测模型，参数运算量更少，结构复杂度更低的第三电力设备故障检测模型。
60.s103、将第三电力设备故障检测模型输入到预设压缩微调算法中，以使预设压缩微调算法对第三电力设备故障检测模型进行压缩微调，获得第四电力设备故障检测模型，其中，预设压缩微调算法包括：预设剪枝算法和预设知识蒸馏算法。
61.其中，上述预设剪枝算法是通过将神经网络中对输出结果贡献度低于预设标准的神经元或分支进行去除，从而降低计算量。其中，上述贡献度的预设标准包括但不限于：神经元权重参数、正则化平均值、激活函数的平均输出值和在测试数据集上不为0的次数。上述预设知识蒸馏算法是通过对降低神经网络模型所需的计算资源和时延，实现对神经网络模型的压缩，同时对经过压缩后的神经网络模型进行微调，从而恢复神经网络模型的输出精度。
62.本发明通过利用上述预设压缩微调算法对上述第三电力设备故障检测模型进行压缩微调，在保证输出结果准确度的前提下，降低上述第三电力设备故障检测模型的网络结构复杂度。
63.s104、将第四电力设备故障检测模型输入到预设优化引擎中，以使预设优化引擎对第四电力设备故障检测模型进行优化，获得轻量化的电力设备故障检测模型。
64.其中，上述预设优化引擎是通过对神经网络模型中的网络参数、运行内存和网络结构进性处理，从而在保证输出结果准确度的前提下，提升经过优化的神经网络模型的计算速度。
65.可选的，利用轻量化网络结构对第二电力设备故障检测模型的基础网络结构进行替换，获得第三电力设备故障检测模型，具体包括：
66.利用轻量化网络结构，对基础网络结构中的卷积核进行替换，并减少卷积核中的第一数量个通道数，获得经过处理的第三电力设备故障检测模型。
67.可选的，将第三电力设备故障检测模型输入到预设压缩微调算法中，以使预设压缩微调算法对第三电力设备故障检测模型进行压缩微调，获得第四电力设备故障检测模型，包括：
68.利用预设剪枝算法对第三电力设备故障检测模型进行压缩，获得经过压缩的第五电力设备故障检测模型。
69.利用预设知识蒸馏算法对第五电力设备故障检测模型进行微调，获得第四电力设备故障检测模型。
70.可选的，利用预设剪枝算法对第三电力设备故障检测模型进行压缩，获得经过压缩的第五电力设备故障检测模型，具体包括：
71.利用预设剪枝算法，通过限定搜索空间和设置奖励函数，对第三电力设备故障检测模型在预设裁剪范围和预设精度损失范围内满足预设推理时延的裁剪方案进行搜索，待搜索经过第二数量次迭代后，搜索的结果满足第一预设条件时，将满足第一预设条件的搜索的结果对应的裁剪方案，确定为最终的裁剪方案，其中，奖励函数用于限定预设精度损失范围和预设推理时延。
72.其中，上述奖励函数是一个由准确度、计算复杂度和推理时延组成的函数。
73.可选的，在本发明的一个可选实施例中，上述预设裁剪范围可通过将上述第三电力设备故障检测模型的计算复杂度除以未训练模型的计算复杂度获得。上述第三电力设备故障检测模型的计算复杂度由终端设备能承载的模型文件大小来确定。可选的，在本发明的另一个可选实施例中，上述裁剪方案包括上述第三电力设备故障检测模型中，每一层的输入通道数和输出通道数，其具体表现形式为模型掩膜。在模型掩膜中，被裁剪掉的输入通道和输出通道表现为0，未被裁减掉输入通道和输出通道表现为1。
74.可选的，在本发明的另一个可选实施例中，上述搜索的结果满足第一预设条件是指搜索结果稳定，上述搜索结果稳定是指上述裁剪方案的裁剪率和精度损失范围均处于预设区间。
75.根据裁剪方案获得第三电力设备故障检测模型的模型掩膜，删除模型掩膜中置零的通道层，并通过计算第三电力设备故障检测模型的每个卷积层中非零的输入通道数和输出通道数，对第三电力设备故障检测模型进行形状推断，获得第三电力设备故障检测模型中需要替换的卷积层，利用预设剪枝算法通过重写卷积层的结构完成对卷积层的替换，获得经过压缩的第五电力设备故障检测模型。
76.可选的，利用预设知识蒸馏算法对第五电力设备故障检测模型进行微调，获得第四电力设备故障检测模型，具体包括：
77.将教师模型和学生模型输入到预设知识蒸馏算法中，以使预设知识蒸馏算法提取教师模型和学生模型在输出层上的距离作为损失函数，预设知识蒸馏算法根据损失函数，将教师模型的特征迁移到学生模型上，获得经过微调的第四电力设备故障检测模型，其中，教师模型是第二电力设备故障检测模型，学生模型是第五电力设备故障检测模型。
78.可选的，在本发明的一个可选实施例中，上述损失函数的作用是通过计算教师模型和学生模型输出结果的差异来指导学生模型的训练，从而使得学生模型的结果更准确。
79.可选的，在本发明的另一个可选实施例中，上述教师模型的特征是指教师模型的每个输入经过模型计算后响应的分布，该特征的表现形式为向量。当学生模型的输出层的向量分布与教师模型的输出层的向量分布一致时，就实现了上述将教师模型的特征迁移到学生模型上的操作。
80.可选的，将第四电力设备故障检测模型输入到预设优化引擎中，以使预设优化引擎对第四电力设备故障检测模型进行优化，获得轻量化的电力设备故障检测模型，包括：
81.利用预设优化引擎，对第四电力设备故障检测模型进行模型量化、动态内存优化和层融合，获得轻量化的电力设备故障检测模型，其中，模型量化是指，利用预设优化引擎对第四电力设备故障检测模型中的网络参数由第一类型转换为第二类型。动态内存优化是指，利用预设优化引擎在第四电力设备故障检测模型运行时申请一个内存，并控制第四电力设备故障检测模型重复利用内存，层融合是指，利用预设优化引擎将第四电力设备故障检测模型中的卷积操作、偏置操作和激活函数进行融合，并调用一个卷积核处理融合后的操作。
82.本发明通过预设训练集和预设测试集对第一电力设备故障检测模型进行训练，获得第二电力设备故障检测模型，使得在对上述电力故障检测模型进行轻量化操作时，可以基于一个能输出准确结果的模型进行轻量化处理，从根源上保证了经过轻量化处理后的模型仍能保持输出结果的准确度。同时，本发明采用轻量化网络结构对现有模型的基础网络结构进行替换，从而降低了神经网络模型的参数运算量和结构复杂度。本发明还利用预设压缩微调算法进一步对经过轻量化处理的神经网络进行结构精简，并在保证输出结果准确度的前提下，利用预设优化引擎提升神经网络的计算速度。可见，本发明实现了在保证神经网络模型输出结果准确度的前提下，降低神经网络模型的结构复杂程度。
83.与上述确定注视目标的方法的实施例相对应，本发明还提供了一种故障检测模型轻量化的系统，如图2所示，系统包括：
84.模型训练模块201，通过利用预设训练集和预设测试集对第一电力设备故障检测模型进行训练，获得第二电力设备故障检测模型，其中，预设训练集和预设测试集包括：电力设备终端采集的监测数据和对应故障类型，第一电力设备故障检测模型为基于resnet的机器学习模型。
85.结构替换模块202，通过利用轻量化网络结构对第二电力设备故障检测模型的基础网络结构进行替换，获得第三电力设备故障检测模型。
86.压缩微调模块203，用于将第三电力设备故障检测模型输入到预设压缩微调算法中，以使预设压缩微调算法对第三电力设备故障检测模型进行压缩微调，获得第四电力设备故障检测模型，其中，预设压缩微调算法包括：预设剪枝算法和预设知识蒸馏算法。
87.模型优化模块204，用于将第四电力设备故障检测模型输入到预设优化引擎中，以使预设优化引擎对第四电力设备故障检测模型进行优化，获得轻量化的电力设备故障检测模型。
88.可选的，上述结构替换模块202被具体配置为：
89.利用轻量化网络结构，对基础网络结构中的卷积核进行替换，并减少卷积核中的第一数量个通道数，获得经过处理的第三电力设备故障检测模型。
90.可选的，上述压缩微调模块203包括：
91.压缩子模块，利用预设剪枝算法对第三电力设备故障检测模型进行压缩，获得经过压缩的第五电力设备故障检测模型。
92.微调子模块，利用预设知识蒸馏算法对第五电力设备故障检测模型进行微调，获得第四电力设备故障检测模型。
93.可选的，上述压缩子模块被配置为：
94.利用预设剪枝算法，通过限定搜索空间和设置奖励函数，对第三电力设备故障检测模型在预设裁剪范围和预设精度损失范围内满足预设推理时延的裁剪方案进行搜索，待搜索经过第二数量次迭代后，搜索的结果满足第一预设条件时，将满足第一预设条件的搜索的结果对应的裁剪方案，确定为最终的裁剪方案，其中，奖励函数用于限定预设精度损失范围和预设推理时延。
95.可选的，上述微调子模块被配置为：
96.将教师模型和学生模型输入到预设知识蒸馏算法中，以使预设知识蒸馏算法提取教师模型和学生模型在输出层上的距离作为损失函数，预设知识蒸馏算法根据损失函数，将教师模型的特征迁移到学生模型上，获得经过微调的第四电力设备故障检测模型，其中，教师模型是第二电力设备故障检测模型，学生模型是第五电力设备故障检测模型。
97.可选的，上述模型优化模块204被配置为：
98.利用预设优化引擎，对第四电力设备故障检测模型进行模型量化、动态内存优化和层融合，获得轻量化的电力设备故障检测模型，其中，模型量化是指，利用预设优化引擎对第四电力设备故障检测模型中的网络参数由第一类型转换为第二类型。动态内存优化是指，利用预设优化引擎在第四电力设备故障检测模型运行时申请一个内存，并控制第四电力设备故障检测模型重复利用内存，层融合是，利用预设优化引擎将第四电力设备故障检测模型中的卷积操作、偏置操作和激活函数进行融合，并调用一个卷积核处理融合后的操作。
99.本发明实施例提供的一种故障检测模型轻量化的设备，如图3所示，包括：
100.处理器301；
101.用于存储处理器301可执行指令的存储器302。
102.其中处理器301被配置为执行指令，以实现如上述任一项的故障检测模型轻量化的方法。
103.本发明实施例提供的一种计算机可读存储介质，当计算机可读存储介质中的指令由设备的处理器301执行时，使得设备能够执行如上述任一项的故障检测模型轻量化的方法。
104.计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
105.本领域技术人员应明白，本技术的实施例可提供为方法、系统或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
106.需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
107.本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
108.以上仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。